Um link ao lado da resposta tranquiliza mais do que deveria. Às vezes ele confirma a marca, às vezes só dá uma categoria ampla, e às vezes traz para a resposta justamente aquele detalhe antigo que faz a empresa parecer outra.
No cenário composto do Cliente A — uma rede particular de saúde em São Paulo — a resposta do Perplexity parecia quase exemplar. Diante de uma pergunta sobre clínicas de uma área específica, o sistema mencionou a marca, trouxe links e descreveu brevemente onde ficavam as unidades. No começo, parecia boa notícia: a marca estava lá, os links estavam lá, a formulação era segura.
Depois abri as fontes uma por uma. A página oficial da área estava atualizada e bem cuidada. O catálogo externo mantinha um bairro antigo. Outra página falava de uma especialidade vizinha do médico quase com as mesmas palavras usadas pelo sistema para descrever o cliente. No fim da resposta, apareceu um detalhe vindo de uma ficha em que o telefone estava certo, mas a referência de endereço já não batia com a estrutura atual das unidades. Nenhuma tragédia. Mas, para diagnosticar visibilidade da marca em IA, isso é como uma impressão digital em envelope alheio.
O link é só o começo da checagem
Quando há fontes na resposta, o leitor sente vontade de relaxar. O sistema parece dizer: foi daqui que tirei a informação, pode verificar. Na busca, esse gesto é familiar. Nas respostas de IA, ele é mais complicado, porque o link nem sempre prova exatamente a frase ao lado dele. Pode confirmar parte da resposta, dar contexto geral ou apenas estar perto do assunto.
Uma fonte numa resposta de IA é o rastro de um possível apoio do modelo, porque o link pode confirmar uma frase, definir uma categoria ou trazer um erro.
Guardo essa definição por perto quando analiso fontes do Perplexity para marcas. Não é desconfiança gratuita. Na minha avaliação, sistemas que citam fontes são úteis justamente como material de verificação manual. Os links aparecem na tela, e então começa o trabalho editorial comum: abrir, comparar, anotar a estranheza.
No Cliente A, que trato como um cenário composto de várias observações, o modelo encontrou rastros reais da marca. O erro era mais fino: uma fonte confirmava a existência da clínica, outra sugeria a geografia antiga, uma terceira empurrava para a área vizinha. Na tela, parecia uma resposta coesa. Sobre a mesa, com as páginas impressas abertas, pareciam folhas vindas de pastas diferentes.
Por isso leio a resposta devagar. Abro o link, procuro a frase específica, comparo com a formulação da resposta e anoto o que exatamente a fonte pode ter dado ao modelo. Às vezes, o link nem contém o detalhe discutível, mas fica ao lado do parágrafo com tanta segurança que parece responder por tudo que foi dito. É uma pequena mágica teatral da interface: a fonte vira uma decoração de confiança.
Três papéis da fonte
Costumo dividir as fontes em respostas de IA em três papéis: confirmação, rótulo de categoria e causa de confusão. É uma régua de trabalho para ler a resposta, sem pretensão de classificação acadêmica estrita. Ela ajuda a adiar a briga geral com o modelo e observar que trabalho cada link está fazendo.
A fonte-confirmação responde a uma pergunta simples: esta empresa, serviço, especialista ou página existe? No caso do Cliente A, a página oficial da área funcionava assim. Ela mostrava que o grupo tinha aquele perfil e que a marca fazia sentido naquela consulta. Aqui o link parecia uma ficha normal de arquivo: nome, assunto, arquivo certo.
A fonte-rótulo dá ao modelo um nome conveniente para a categoria. Pode ser um catálogo externo, uma página setorial ou uma análise. Às vezes é útil, porque escreve de modo mais simples que o site da empresa. Às vezes é perigosa: contém uma fórmula curta que puxa a marca para a prateleira vizinha. Na clínica, esse rótulo veio de uma página em que a área era nomeada de forma mais ampla do que no site. Para o paciente, a diferença entre duas palavras médicas próximas pode não ser clara. Para a marca em uma resposta de IA, ela muda o contorno.
A fonte-confusão é a mais desagradável. Ela parece próxima do tema, mas traz um detalhe fora do lugar: bairro desatualizado, serviço retirado, descrição incorreta de um médico, desenho antigo das unidades. Em uma versão da resposta, o modelo pegou o nome certo da clínica, mas colocou ao lado um traço vindo de uma página sobre outra área. O resultado foi uma resposta que não desmorona na leitura rápida, mas dá ao paciente uma expectativa borrada.
Esses papéis podem se misturar em um mesmo link. Um catálogo confirma a marca e ao mesmo tempo traz o bairro antigo. A página oficial confirma a área, mas não responde à pergunta conversacional do paciente. Um texto de visão geral ajuda a entender a categoria, mas coloca junto uma área vizinha. Por isso não escrevo na tabela apenas “fonte boa” ou “fonte ruim”. Anoto que trabalho ela faz na resposta.
Como leio a resposta no caso do Cliente A
Em temas médicos, tenho mais cautela que o normal. Um artigo público não é lugar para diagnósticos, dados internos e detalhes reconhecíveis; por isso este caso foi montado a partir de observações recorrentes em situações parecidas. O quadro típico é este: uma rede particular de saúde em São Paulo tem várias unidades, páginas separadas por áreas, médicos e bairros. O site está vivo, mas os rastros externos envelhecem mais devagar do que a estrutura real muda.
Começo pela descrição da resposta, sem avaliação de “boa” ou “ruim”. Primeiro anoto quais frases coincidem claramente com a página oficial. Depois observo de onde veio cada detalhe adicional. Se o modelo fala de bairro, procuro saber se esse bairro está na página atual ou se veio do catálogo. Se descreve um médico, verifico se não usou uma especialidade vizinha, onde palavras parecidas aparecem próximas. Às vezes o erro mais importante se esconde em um único adjetivo.
Nesse episódio composto, uma fonte era quase impecável, mas não sustentava o ponto central da resposta. Ela confirmava que a marca existia. A categoria, ao que parece, era reforçada por uma ficha externa. A confusão vinha de uma página em que o bairro antigo aparecia com mais destaque do que a nova distribuição das unidades no site oficial. Para clínicas locais com várias unidades, é uma situação conhecida: a empresa atualiza a própria casa com cuidado, mas no muro vizinho ainda há uma placa velha pendurada.
Um detalhe imperfeito é especialmente revelador. O modelo distinguia várias unidades, mas em uma resposta atribuiu a antiga pista territorial a uma nova área. Uma pessoa da clínica entenderia na hora que aquilo era um molde da estrutura passada. O leitor externo poderia concluir que o serviço estava disponível onde ele já não é descrito como principal há bastante tempo. Para uma marca médica, essa meia verdade costuma ser mais perigosa que o erro explícito: é mais difícil de perceber e, portanto, mais difícil de corrigir a tempo.
Por que uma página antiga soa tão segura
Catálogos antigos muitas vezes são escritos de modo grosseiro, mas conveniente para a máquina. Ali há nome da empresa, cidade, bairro, categoria, telefone, às vezes uma frase curta sobre o serviço. A página oficial pode ser mais rica e delicada: história da área, abordagem do médico, diferentes cenários de atendimento, limites. Para uma pessoa, esse texto é melhor. Para o modelo, em uma consulta comparativa, a ficha curta às vezes gruda mais.
Nesses pontos, peço ao cliente para deixar de lado a discussão com a tela e abrir a página original. A resposta do modelo é apenas o sintoma. A causa costuma estar em uma página que ninguém leu inteira faz tempo, porque parece velha demais para o negócio vivo e visível demais para a máquina.
Isso não significa que o site da clínica deva virar um catálogo. O texto oficial precisa continuar humano e cuidadoso. Mas em algum lugar dele deve haver uma frase clara de apoio: quem presta o serviço, em qual área, em qual cidade ou bairro, para qual tipo de busca do paciente. Sem essa frase, o modelo pode pegar a categoria em uma fonte externa, porque ela fala de modo mais simples.
Há ainda uma causa pequena, fácil de deixar passar. A página externa pode se repetir em vários lugares com palavras quase idênticas. A mesma fórmula curta vive no catálogo, em uma seleção local, em um perfil antigo de especialista. O site oficial muda com mais precisão, mas cada seção fala à sua maneira. No fim, o erro não é profundo; é largo. Ele se espalha em camada fina por várias páginas.
O que mudar depois de analisar as fontes
Depois de verificar as fontes, raramente recomendo apagar tudo que é antigo de uma vez. Parte das páginas externas não pode ser corrigida rapidamente. Além disso, uma menção antiga às vezes ainda ajuda a marca a aparecer nas respostas. Uma limpeza bruta pode remover o erro e também um rastro útil. O trabalho precisa ser mais cuidadoso: fortalecer a fonte oficial, alinhar as formulações principais, pedir a correção das fichas externas mais visíveis e checar novamente uma série de consultas.
Dentro do site, observo se existe uma fórmula curta para cada área. Precisa ser uma fórmula tranquila, sem frase de propaganda: marca, área médica, cidade e linguagem compreensível para o paciente. Ao lado dela, deve existir texto vivo; caso contrário, a página vira etiqueta sem corpo. Mas, sem etiqueta, a caixa também vai parar no lugar errado.
Nas fontes externas, a pureza total é secundária. Uma rede local nunca será estéril. Primeiro pego as páginas que já entram nas respostas dos modelos ou ficam perto delas: catálogos visíveis, perfis de parceiros, fichas antigas de médicos. Se for possível corrigir ali, é melhor ajustar uma placa torta muito visível do que reescrever um monte de páginas quietas que o sistema ainda nem enxerga.
Aqui vale voltar ao primeiro texto sobre como o modelo monta uma marca a partir de rastros públicos: “Por que o ChatGPT menciona uma marca sem acessar o site”. A fonte no Perplexity mostra uma camada dessa montagem. Ela não revela toda a mecânica interna, mas ajuda a ver qual folha está por cima.
Depois das correções, volto às mesmas consultas. Essa é uma disciplina importante do diário de campo. Se antes o modelo confundia o bairro em uma formulação conversacional, é preciso repetir exatamente aquela pergunta, com o mesmo grau de desarrumação. Um texto oficial bem reescrito precisa aguentar a pergunta limpa de um profissional de marketing e também a frase real, meio torta, de um paciente procurando um serviço tarde da noite pelo celular.
O mesmo princípio ajuda quando o problema está nos próprios nomes do serviço. Analiso esse caso no artigo “Quando um serviço vive sob três nomes”.
Nem sempre fica claro que parcela da resposta veio de um link específico. O sistema mostra fontes, mas nem sempre revela qual frase de qual material foi decisiva. Por isso observo respostas repetidas, fontes e estranhezas ao longo de uma série de verificações.